基于模糊贝叶斯网络的叉装车制动系统故障诊断研究

为解决因缺乏实际数据而无法准确计算叉装车制动系统部件的故障概率问题,提出一种结合模糊集理论和贝叶斯网络的模糊贝叶斯网络故障诊断方法。该方法利用模糊数表达故障发生的可能性,将专家给出的节点故障概率主观语言评判值转换为模糊数,经过解模糊后得到精确值,再利用贝叶斯网络推理进行故障的诊断,提高了贝叶斯网络对模糊信息和不确定信息的处理能力。通过Ge NIe软件对所建立的叉装车制动系统故障诊断模型仿真分析,验证了该方法的有效性。     

复杂系统的图模型多智能体协同故障诊断

为解决复杂、不确定系统的故障诊断实时推理问题,提出了基于图模型-多连片贝叶斯网络架构下多智能体协同推理的故障诊断方法。该方法将一个复杂贝叶斯网分割成若干有重叠的贝叶斯子网,使监控网络的单个智能体被抽象为一个拥有局部知识的贝叶斯网,利用成熟的贝叶斯网推理算法可完成智能体的自主推理。随后,通过重叠的子网接口进行多智能体间消息的传播,实现了多智能体协同故障诊断推理。实验结果表明了基于图模型多智能体的协同故障诊断方法的正确性和有效性。     

基于贝叶斯网络的车辆电源系统故障诊断方法

针对车辆电源系统测试点少且测试数据不完备的问题,提出一种多信号流图模型和贝叶斯网络相结合的故障诊断方法。利用多信号流图模型建立电源系统的故障诊断模型,得到系统故障源与测试信号对应的故障依赖矩阵,在此基础上,建立用于故障诊断的贝叶斯网络结构,根据历史数据完成网络的参数学习,并以故障后验概率最大为准则,实现电源系统的故障诊断。仿真实验验证了该方法的有效性。     

基于有向图和贝叶斯网络融合的飞机系统故障诊断研究

针对民用飞机系统的故障复杂性和特殊性,提出了一种基于有向图和贝叶斯网络融合的故障诊断方法.首先分析增压系统的组成,总结各组件之间的功能逻辑;接着以有向图理论为基础,将有向图中的节点赋值为系统各组件功能,进而推导出系统的功能模型,提高了故障诊断的直观性和有效性;最后利用贝叶斯网络快速的概率推理能力,缩小故障点集,实现故障定位,提高了诊断的快速性和精确性.通过实例验证,所研究的故障诊断方法对排故效率有了提升,同时对飞机其他系统的故障诊断有一定的参考价值.     

基于贝叶斯网络模型构造的汽车故障诊断研究

为了解决汽车故障诊断中的不确定性和建模问题,提出了一种基于贝叶斯网络模型构造的故障诊断融合系统架构,设计了基于贝叶斯网络构造的故障诊断算法.这种故障诊断方法利用贝叶斯网络的学习能力和概率推理来应对故障诊断中的不确定性问题的表示和推理,它能够有效地融合领域先验知识和实时传感数据的分布特征,实现故障诊断系统的自适应,并被成功地应用于汽车故障诊断.实验结果表明,新算法为故障诊断提供了准确和可靠的决策依据.     

基于贝叶斯网络的柴油机润滑系统多故障诊断

为解决柴油机润滑系统多故障的解耦与诊断问题,提出一种基于贝叶斯网络模型的故障诊断方法.建立的润滑系统贝叶斯网络诊断模型包括利用有向无环图描述多故障耦合关系和采用概率形式表示故障诊断定量知识两个部分.按照故障类型将润滑系统故障诊断任务分解为各类故障的诊断子任务,对于各子任务,利用故障树模型分析故障与征兆及多故障间的耦合关系,并通过故障树向贝叶斯网络的转化建立润滑系统的贝叶斯网络模型结构.在定量参数方面,采用noisy-OR/AND模型分析故障与征兆间的因果关联强度,通过设定故障的先验发生概率描述润滑系统的历史运行状况.最后,通过两起“进机油压过低”故障实例验证所提出方法的有效性.     

基于贝叶斯网络模型的电子装备故障诊断研究

针对电子装备故障的层次性、相关性、不确定性特点,结合贝叶斯网络在处理不确定性问题上的优点,提出了电子装备故障诊断的贝叶斯网络方法;研究了基于故障树分析和故障模式、影响、危害度信息的贝叶斯网络模型建立方法,分析了贝叶斯网络的故障预测和推理原理,确立了各底事件对故障诊断的重要度,形成了故障诊断的合理顺序,通过实例验证了上述方法的可行性和有效性;研究成果对复杂电子装备的故障诊断有借鉴意义。     

贝叶斯网络结构在线学习算法研究及应用

现代大型机电设备的日趋复杂化和自动化导致设备故障现象和机理之间具有很大的不确定性,因此对故障诊断技术提出了更高的要求。针对汽车发动机的工作原理及其故障知识结构特征,基于贝叶斯网络理论,以机器学习中的增量学习为基础提出和研究了在线式贝叶斯网络结构学习方法,并利用该方法对汽车发动机故障结构网络进行在线学习。最后通过实验分析验证了在线式贝叶斯网络故障诊断方法比起传统的贝叶斯网络方法以及专家系统方法,该方法在汽车发动机故障诊断结果中具有更高的准确性和可靠性。     

基于动态贝叶斯网络的机载电子设备故障诊断

针对目前机载电子设备故障诊断过程中诊断效率低以及采用传统动态故障树马尔科夫链分析方法存在系统状态空间爆炸的问题,提出了一种基于动态贝叶斯网络的故障树故障诊断方案;设计首先将基于零压缩二元决策图的动态故障树定性分析和贝叶斯网络的定量推理相结合获得系统最小割集,然后以集成传感器信息更新系统的部件诊断重要度和最小割集,最后综合考虑系统部件诊断重要度和最小割集设计了系统的故障诊断决策算法,得到故障诊断决策树;以机载光电雷达设备的故障诊断为例,通过对比有无证据条件下系统故障诊断中最小割集以及其诊断重要度,证明了此方案能够准确、快速地诊断出系统具体的故障原因,节省了诊断成本。     

基于信息熵的液压状态监测系统故障诊断方法

为提高液压状态监测系统故障诊断的准确度,提出一种基于IGCS-K2算法的液压状态监测系统传感器故障诊断方法.通过结合信息几何理论与K2评分搜索策略优化贝叶斯网络结构的生成方法,利用运转正常的传感器数据形成贝叶斯网络模型并对传感器最新数据进行预测,通过预测值与观测值的对比判断传感器是否存在故障.实验结果表明,优化后的贝叶斯网络结构生成方法具备相应的理论支持与实践证明,结构准确率与方差优于各类传统方法,该方法可以应用于液压状态监测系统传感器故障诊断中,结果优异.     

改进的贝叶斯算法在智能变电站网络故障诊断系统中的研究

提高智能变电站网络故障诊断能力对于确保电力系统的稳定运行和供电可靠性具有重要意义,故障的分类是目前智能变电站网络故障诊断系统所面临的一个主要问题.常用分类算法存在着训练数据多样化,特征的选择标准具有不确定性,学习潜力匮乏等问题,文章在原有贝叶斯算法的基础上加入了特征的选择标准及学习过程,实验结果表明改进的贝叶斯算法在很大程度上能有效解决故障分类问题,从而提高智能变电站的网络故障诊断能力.     

基于改进卷积神经网络的电力通信网故障诊断研究

针对当前电力通讯网络故障诊断方法及时性差、准确率低和自我学习能力差等缺陷,提出基于改进卷积神经网络的电力通信网故障诊断方法,结合ReLU和Softplus两个激活函数的特点,对卷积神经网络原有激活函数进行改进,使其同时具备光滑性与稀疏性;采用ReLU函数作为作为卷积层与池化层的激活函数,改进激活函数作为全连接层激活函数的结构模型,基于小波神经网络模型对告警信息进行加权操作,得到不同告警类型和信息影响故障诊断和判定的权重,进一步提升故障诊断的准确率;最后通过仿真试验可以看出,改进卷积神经网络相较贝叶斯分类算法与卷积神经网络具有较高的准确率和稳定性,故障诊断准确率达到99.1%,准确率标准差0.915%,为今后电力通讯网智能化故障诊断研究提供一定的参考。     

BA-PNN-based methods for power transformer fault diagnosis

This paper presents a machine learning-based approach to power transformer fault diagnosis based on dissolved gas analysis (DGA), a bat algorithm (BA), optimizing the probabilistic neural network (PNN). PNN is a radial basis function feedforward neural network based on Bayesian decision theory, which has a strong fault tolerance and significant advantages in pattern classification. However, one challenge still remains: the performance of PNN is greatly affected by its hidden layer element smooth factor which impacts the classification performance. The proposed approach addresses this challenge by deploying the BA algorithm, a kind of bio-inspired algorithm to optimize PNN. Using the real data collected from a transformer system, we conducted the experiments for validating the performance of the developed method. The experimental results demonstrated that BA is an effective algorithm for optimizing PNN smooth factor and BA-PNN can improve the fault diagnosis performance; in turn, and the machine learning-based model (BA-PNN) can significantly enhance the accuracies of power transformer fault diagnosis.     

基于贝叶斯网络的复杂装备D-S诊断

利用D-S证据理论进行故障诊断时,首先需要确定出故障识别框架和基本置信分配.但在导弹武器等复杂装备中,存在着故障原因与故障征兆之间关联关系不确定的现象,增加了求取故障识别框架和基本置信分配的困难.文中提出了利用贝叶斯网络理论来解决难题的方法,使D-S证据理论能在复杂装备故障诊断中得到应用.文中首先给出了诊断贝叶斯网络的适应度函数,并利用改进的粒子群优化算法求解了诊断贝叶斯网络.然后分析了诊断贝叶斯网络中故障原因与故障征兆间的关联关系,给出了征兆集合、异因征兆集合概念.提出了求解故障识别框架和基本置信分配的方法.最后,通过实例的D-S诊断,验证了所提方法的正确性.     

基于贝叶斯网络的电力变压器局部放电故障检测

针对传统电力变压器故障检测方法对电力系统中潜藏的故障问题检测水平不足,准确率较低,无法及时准确的发现异常隐患等问题,提出基于贝叶斯网络的变压器局部放电故障检测方法;首先通过传感器获取电力变压器不同状态下运行过程中的参数数据,对局部放电故障发生的概率和范围进行合理性评估,提取评估概率数据综合为样本数据集,构建贝叶斯网络故障树;根据逻辑规则转化为贝叶斯网络,推演计算故障节点之间的算例关系,利用贝叶斯原理抽取故障特征指标与异常概率之间的关联关系,利用模糊描述方法构建故障特征关联函数,计算可得故障特征模糊函数动态变化关系,实现对变压器故障发生的概率与位置信息的判断与确定;实验结果表明,利用贝叶斯网络对电力变压器局部放电故障检测准确率达到85%以上,最高可达96%,说明该方法具有较高的检测准确率,能够有效提高电力变压器放电故障检测的有效性。     

A gray correlation based Bayesian network model for fault source diagnosis of multistage process – Small sample manufacturing system

Fault source diagnosis methodology is one of the key technologies of quality control and assurance for multi-source & multi-stage manufacturing processes, especially in small sample manufacturing systems. By analyzing the existing research on fault source diagnosis methods, a Bayesian network-based methodology is proposed. Gray correlation theory and mechanism analysis method are used in the process of Bayesian network model construction to reduce the dependence of sample data size for structure learning in the process of small sample manufacturing of complex products. In addition, two fault source diagnosis methods based on manufacturing principle analysis and reverse Bayesian network respectively are proposed. The strategy of the combined use of the two methods in the actual manufacturing scenes is given to cope with the fault source diagnosis scenario in the real manufacturing process. In the end, an example from an actual factory is provided to validate the effectiveness and efficiency of the proposed model and methodologies.     

基于贝叶斯网络的Web服务组合故障诊断

提出一种利用贝叶斯网络对Web服务组合故障原因进行诊断的模型,对该模型中贝叶斯网络拓扑结构的构造以及网络参数的赋值方法进行了详细说明。然后,基于构造的贝叶斯网络,提出Web服务组合的故障检测算法并对其进行了分析。实验模拟表明,提出的模型能有效地识别Web服务组合流程错误的根本原因。     

变压器故障诊断方法的研究

变压器的运行状况直接关系到整个电力系统的安全稳定运行,有效对变压器进行故障诊断具有重要的实际意义。电力变压器油中溶解气体分析（Dissolved Gas Analysis, DGA）已经成为油浸式变压器故障诊断的一种有效支持数据,本文在利用DGA数据的基础上,首先总结了常规IEC比值法的优缺点,并针对其边界问题总结了几种有效改进方法。其次,本文总结了人工神经网络,支持向量机,粗糙集,模糊数学、极限学习机、贝叶斯网络、聚类、人工免疫和petri网络等9种智能算法在变压器故障诊断中的运用,针对其固有问题总结了各自的优化方法。最后,本文介绍了以证据理论为主的综合诊断方法,分析了它优于单一智能算法的方面,并介绍了一些其他方法在变压器故障诊断中的应用。最终得出结论,相比于单一智能方法,信息融合的综合诊断办法能更好地对变压器故障进行诊断。